基于深度学习的汽车保险丝盒检测算法

作     者：陈宇 

作者单位：南昌大学 

学位级别：硕士

导师姓名：梁声灼;李芒

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 082304[工学-载运工具运用工程] 08[工学] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：汽车保险丝盒 目标检测 可分离卷积 倒残差结构 

摘      要：随着计算机视觉的不断发展,图像处理的重要性越来越明显。如何充分利用图像信息显得愈发重要。现如今,计算机视觉领域的发展成果正逐渐应用在人们的日常生活中。在安防领域,安保系统减轻了安保工作人员的巡逻负担;在医疗领域,优良的医学图像处理可以帮助医生更加清楚病人的病因所在;在交通领域,对交通状况的实时监控与分析有效减少了交通事故的发生。保险丝盒作为汽车零件的重要组成部分之一,其中保险丝以及继电器的正确安装对于行车安全的重要性不容忽视,因此在对其进行检测时需要保证高精度。然而传统人工检测方式存在检测效率低以及错检漏检等诸多问题,不能满足高质量发展理念。在目标检测领域,利用卷积神经网络提取图片特征从而进行后续的检测已经成为主流。将深度学习利用到汽车保险丝检测中可以大大加快检测速度,提高检测精度,并且可以对保险丝盒中保险丝的缺陷检测提供帮助。因此本文就对汽车保险丝盒中保险丝以及继电器的检测算法进行研究,主要研究工作有以下三个方面:(1)本文以少量保险盒图片作为初始数据集,对初始数据集中的样本设置浮动窗口进行裁剪采样,使用LabelImg进行人工标注。最后通过数据增广得到包含5000个样本的数据集,用以提高模型训练时泛化能力。(2)对比传统网络SSD、Faster R-CNN在保险丝盒数据集上的检测效果,选择将Faster R-CNN网络作为本文的基础网络。在其基础上,针对保险丝盒中存在不同尺度的目标,本文提出了F-Faster R-CNN网络。该网络引入了特征金字塔网络结构,利用不同尺度的感受野,实现多尺度的特征提取。(3)针对F-Faster R-CNN网络模型存在的模型参数量大和预测时间长等问题,引入了可分离卷积和倒残差结构,同时研究了不同输入层结合特征金字塔网络得到的MF-Faster R-CNN网络的检测精度,实现在检测精度达到一定水平的基础上显著的提升了检测的速度。